创新混合机器学习模型助力波兰硬水湖泊 δ13C 空间预测研究

为解决当前预测 δ13C 方法在准确性和精度上的不足，研究人员开展了利用混合机器学习算法预测波兰湖泊 δ13C 的研究。结果显示 ARAMT 模型预测效果最佳，这为理解碳循环、管理湖泊生态系统提供了重要依据。

　　湖泊，作为大自然生态系统中独特而重要的一环，宛如一个个神秘的生态宝藏库，蕴含着丰富的环境信息。在众多与湖泊相关的研究领域中，对湖泊沉积物中 δ¹³C 记录的研究，就像是一把神奇的钥匙，有望为人们打开理解碳循环、气候变化、古生态学、环境重建以及水生生态系统健康状况的大门。然而，目前在预测 δ¹³C 方面，现有的方法却存在着不小的问题，其准确性和精度都难以满足科研与实际应用的需求。

为了突破这些困境，来自多个机构的研究人员开展了一项极具价值的研究。他们将目光聚焦于波兰的硬水湖泊，致力于探索一种更精准的预测 δ¹³C 的方法。研究人员提出了一种名为 ARAMT 模型的新型混合机器学习（ML）算法，该算法巧妙地结合了加法回归（AR）的元分类器和交替模型树（AMT）的基础分类器这两个关键部分。

研究人员对 30 个波兰湖泊进行了深入研究，测定了湖泊近表层（epilimnion）沉淀的方解石（CaCO₃）中的 δ¹³C，并季节性分析了 1 米深度地表水的化学成分（Ca²⁺、HCO₃^?、Na、K、硫酸盐、氟化物、Cl、Mg 和 P）和温度。通过一系列复杂而严谨的实验和分析，研究最终得出了令人瞩目的结论：ARAMT 混合模型在预测 δ¹³C 方面表现卓越，其相关系数（R² = 0.9882）较高，平均绝对误差（MAE = 0.456）和均方根误差（RMSE = 0.527）较低，明显优于随机森林（RF）、M5P、AMT 和高斯过程（GP）等其他先进的 ML 算法。这一成果发表在《Ecological Informatics》上，为相关领域的研究提供了重要的参考。

在这项研究中，研究人员运用了多种关键技术方法。首先，他们收集了来自波兰多个湖泊的样本数据，包括湖泊的地理位置信息、沉积物样本以及不同季节的水质测量数据。然后，运用五种先进的 ML 方法（RF、M5P、AMT、GP 和 ARAMT）对数据进行分析处理。在分析过程中，通过随机划分数据为训练集（80%）和验证集（20%），使用了诸如多共线性测试、参数调整、特征选择等技术，以优化模型性能，并采用多种评估和比较指标来衡量模型的预测效果。

研究结果具体如下：

• 评估输入变量：通过多共线性测试，研究人员从 76 个预测变量中筛选出 14 个关键因素作为建模输入，去除了其他相关因素，确保模型的准确性。
• 确定重要预测因子：利用 RFAE 技术进行特征选择，发现 4 月 / 5 月的总磷、10 月 / 11 月的 HCO₃^?、2 月的地表水温度、10 月 / 11 月的总磷以及 4 月 / 5 月的水导率等是预测 δ¹³C 的重要因素，而 4 月的气温和 10 月 / 11 月的 pH 值影响较小。
• 模型性能分析：在 IES 场景和 SAS 场景下对模型性能进行检查，结果表明不同算法的最佳组合不同，ARAMT 模型在两种场景下都展现出良好的性能。在预测 δ¹³C 时，ARAMT 模型相比其他算法具有更高的准确性和更好的拟合优度，这一结论通过多种评估指标和可视化图表得以验证。

在讨论部分，研究人员进一步分析了稳定同位素（δ¹³C）与各变量的关系。发现 14 个预测变量中有 13 个与春季 - 夏季（4 月 - 8 月）和深秋（10 月 - 11 月）相关，这与波兰湖泊碳酸盐沉淀的时期相吻合。其中，总磷和 HCO₃^?对 δ¹³C 的影响较大，而 2 月的低温可能通过影响气体交换进而影响 δ¹³C。同时，研究还探讨了不同场景对模型的影响，以及模型性能评估的重要性。

这项研究意义重大。ARAMT 模型的成功应用，为预测湖泊中的 δ¹³C 提供了一种强大而可靠的工具，有助于研究人员更深入地理解碳循环与环境因素之间的复杂关系。这不仅能够为湖泊生态系统的保护和管理提供科学依据，助力制定更有效的环境政策，还为未来在其他生态系统中的相关研究提供了可借鉴的方法和思路，推动了环境科学、生态学等多个领域的发展。